79
4.1.4 Uji Asumsi Klasik
4.1.4.1 Uji Normalitas
Berdasarkan teori statistika model linier hanya residu dari variabel dependent Y yang wajib diuji normalitasnya, sedangkan variabel independent
diasumsikan bukan fungsi distribusi. Jadi tidak perlu diuji normalitasnya. Hasil output dari pengujian normalitas dengan Kolmogorov-Smirnov dapat
dilihat pada Tabel 4.16.
Tabel 4.16 Uji normalitas data. One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 42
Normal Parameters
a
Mean .0000000
Std. Deviation 7.03569900
Most Extreme Differences
Absolute .164
Positive .092
Negative -.164
Kolmogorov-Smirnov Z 1.066
Asymp. Sig. 2-tailed .206
Berdasarkan Tabel 4.16 diperoleh nilai sig = 0,206= 206 ≥ 5 , maka H
diterima. Artinya variabel kinerja manajerial berdistribusi normal. Uji normalitas juga dapat dilihat pada grafik Normal P-Plot sebagai
berikut.
80
Gambar 4.1 Normal P-P Plot of Regression Standardized
Pada grafik P-Plot terlihat data menyebar di sekitar garis diagonal dan mengikuti arah garis histograf menuju pola distribusi normal maka variabel
dependen Y memenuhi asumsi normalitas.
4.1.4.2 Uji Multikolonieritas
Uji multikolinieritas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel bebas. Model regresi yang baik tidak
terjadi korelasi antar variabel bebas. Untuk mendeteksi ada tidaknya multikolinearitas di dalam model regresi adalah dengan melihat nilai toleransi dan
Variance Inflation Factor VIF. Apabila nilai tolerance 10 dan nilai VIF 10, maka dapat disimpulkan tidak ada multikolinieritas antar variabel bebas dalam
model regresi. Berikut hasil perhitungan menggunakan program SPSS 16:
81
Tabel 4.17 Uji Multikolinearitas.
Berdasarkan Tabel 4.17 diatas terlihat setiap variabel bebas mempunyai nilai tolerance 0,1 dan nilai VIF 10. Jadi dapat disimpulkan bahwa tidak ada
multikolenieritas antar variabel bebas dalam model regresi ini.
4.1.4.3 Uji Heterokedastisitas
Uji Heteroskedastisitas bertujuan menguji apakah dalam regresi terjadi ketidaksamaan variance dari residual suatu pengamatan ke pengamatan yang lain.
Heteroskedastisitas menunjukkan penyebaran variabel bebas. Penyebaran yang acak menunjukkan model regresi yang baik. Dengan kata lain tidak terjadi
heteroskedastisitas. Untuk menguji heteroskedastisitas dapat dilakukan dengan mengamati grafik scatterplot dengan pola titik-titik yang menyebar di atas dan di
bawah sumbu Y. Berikut hasil pengolahan menggunakan program SPSS 16.
Coefficientsa
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
54.638 1.802
30.327 .000
ZscoreX1 3.926
1.285 .437
3.056 .004
.790 1.267
ZscoreX2 2.950
1.211 .329
2.437 .020
.889 1.125
Ijnteraksi 4.656
1.624 .391
2.867 .007
.868 1.152
a. Dependent Variable: Y
82
Gambar 4.2 Uji Heteroskedastisitas
Pada grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun dibawah angka nol pada sumbu Y. Hal ini dapat
disimpulkan tidak terjadi heteroskedastisitas pada model regresi ini. Selain dengan mengamati grafik scatterplot Selain dengan mengamati grafik scatterplot uji
heterokedastisitas juga dapat dilakukan dengan uji Glejser. Uji glejser yaitu pengujian dengan meregresikan nilai absolut residual terhadap variabel
independen.uji glejser adalah sebagai berikut.
Tabel 4.18 Hasil Output SPSS Uji Glejser
Coefficientsa
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 5.080
1.149 4.421
.000 ZscoreX1
.200 .819
.045 .245
.808 ZscoreX2
-.172 .772
-.038 -.223
.825 Ijnteraksi
.310 1.036
.052 .299
.766 a. Dependent Variable: Abs_res
83
Hasil tampilan output SPSS dengan jelas menunjukkan semua variabel independen mempunyai nilai sig
≥ 0,05. Jadi tidak ada variabel independen yang signifikan secara statistik mempengaruhi variabel dependen abs_res. Hal ini
terlihat dari nilai sig pada tiap-tiap variabel independen seluruhnya diatas 0,05. Jadi dapat disimpulkan model regresi tidak mengandung adanya heterokedastisitas
4.1.5 Uji Parsial Uji t